Generování seznamu událostí v signálu pomocí neuronových sítí

Abstract

Cílem práce je rešerše metod hlubokého učení a následná aplikace shrnutých poznatků pro dekompozici signálu do jednotlivých zdrojů a detekci událostí v signálu. V první části je zkoumána možnost aplikace modifikovaných existujících architektur na spojitý signál za účelem odhadu původních jeho komponent příslušných jednotlivým zdrojům. Ve druhé části je pak zkoumána strategie postupu u detekce jednotlivých událostí různých typů ve vstupním signálu. Potenciál těchto metod je demonstrován jak na hudebním datasetu, tak u praskavé akustické emise pocházející z únavových zkoušek materiálu. Naučené neuronové sítě mohou být použity pro automatizaci analýzy ultrazvukových signálů, např. k online rozpoznávání emisních událostí.

The goal of this paper is to summarize deep learning methods and to apply the gained knowledge on signal decomposition and signal event detection tasks. In the first part several architectures are applied to a continuous signal in order to estimate its original components corresponding to the individual sources. Several metrics are used in order to evaluate the final models. In the second part the strategy for signal events detection in the input signal is discussed. The potential of these methods is demonstrated both on a musical dataset and on burst acoustic emission originating from material fatigue tests. The trained neural networks can be used to automate the analysis of ultrasonic signals, e.g. for real-time detection of emission events.